风光水多能源电力系统互补智能优化运行策略

胡伟，戚宇辰，张鸿轩，董凌，李延和

风光水多能源电力系统互补智能优化运行策略

胡伟1，戚宇辰1，张鸿轩1，董凌2，李延和2

（1．清华大学电机工程与应用电子技术系，北京市 海淀区 100084；2．国网青海省电力公司，青海省 西宁市 810003）

高比例可再生能源接入电网，采用风光水互补发电可以提供平滑和稳定的电力供应。针对风光水多能源电力系统，采用大数据和人工智能技术，提出基于随机规划的短期优化运行方法。首先，基于变分自编码器(variational autoencoder，VAE)提出了可再生能源场景生成方法，能够生成符合可再生能源出力特性的多样化场景，并精确刻画可再生能源出力的相关性。其次，基于场景法建立了风光水互补短期优化运行模型，并采用分段线性化的方法将多种非线性约束转化为线性约束，可以保证模型精度的同时实现快速求解。最后，通过对雅砻江下游风光水发电基地的算例仿真，验证了所提的智能优化运行策略的有效性。

电力系统；风光水互补；场景生成；变分自编码器；优化运行

0 引言

受化石能源枯竭和全球气候变化的影响，可再生能源的开发利用日益受到国际社会的普遍重视。最新发布的《中国可再生能源发展路线图2050》表明，到2050年，中国电力供应中可再生能源发电占比将达到86%。风能和太阳能将在未来的能源系统中占据主导地位，成为未来高度耦合的综合能源系统中主要的能量来源。

大规模的风光并网对电力系统消纳新能源带来了巨大挑战，许多研究从多种电源协同运行的角度对提升新能源消纳展开了研究。其中包括了风光[1]、风光储[2]、风光水[3]和风光火[4]等不同类型的多能源电力系统。综合考虑电源的容量、成本和环境效益，水电是最理想的灵活性电源，风光水互补发电能够提供更为平滑和稳定的电力供应。目前，我国已在雅砻江、金沙江和黄河上游等地积极开展风光水基地的建设。因此，研究风光水互补的优化运行方法具有重大的意义。

考虑到可再生能源发电的不确定性，随机规划已经成为了电力系统调度问题的主要研究手段。不同的随机规划方法的区别主要在于对可再生能源发电不确定性的建模，具体可以分为鲁棒优化[5]、场景法[6]、模糊集法[7]和区间数法[8]等。其中，场景法以典型场景代表随机变量的不确定性，具有较高的计算效率，且可以平衡经济性和安全性之间的关系。但其优化的效果取决于场景生成的质量[10-11]。目前，大部分的场景生成方法都是基于对可再生能源出力的概率分布进行采样[13-14]，得到大量的离散场景。通过对历史数据的拟合，可以得出可再生能源出力的概率分布的参数，目前常用的分布有正态分布、贝塔分布、经验分布等。但由于可再生能源出力的不确定性强，在实际应用中难以找到能准确描述其出力特性的先验分布。并且，由于自然资源的时空特性，可再生能源出力在区域内存在较强的时空相关性，现有的建模方法对于相关性的刻画存在不足。上述问题制约了场景法在调度问题中的应用。

随着泛在电力物联网的提出，人工智能将与电力系统深度融合，为解决电力系统的传统问题提供新的思路。变分自编码器((variational autoencoder，VAE)是一种具有广泛前景的无监督学习方法[13-14]。它可以通过人工神经网络拟合样本分布，并生成符合原始数据分布的新样本。在图像生成和自然语言处理等领域具有广泛应用。

本文针对风光水互补的多能源电力系统的短期优化问题，首先提出了基于VAE的可再生能源出力场景生成方法，在不需要先验知识的情况下就可以很好地拟合可再生能源的出力特性，并考虑不同位置、时段间可再生能源出力的相关性，从而生成高质量的可再生能源发电场景；随后基于场景法提出了风光水互补短期优化运行的随机规划模型，充分考虑风光水之间的互补关系以及风光的不确定性对电力系统的影响，并通过线性化的方法将模型转化为混合整数线性规划问题进行快速求解；最后通过对雅砻江风光水基地的算例分析，研究了风光水互补的多能源电力系统在不同水文条件下满足电力负荷的能力。

1 可再生能源出力场景生成方法

1.1 VAE的基本原理

VAE是目前常用的一类生成模型，其目标是构建一个从隐变量生成目标数据的生成器。为方便采样，一般假设隐变量服从某种常见的分布(标准正态分布)，随后通过训练获得模型()，从而将隐变量的分布转化为原始数据的分布，得到新的数据样本。

具体而言，假设有一批独立同分布的数据样本{1,2,…,X}，需要得到其分布()，传统的参数估计方法是通过极大似然估计，如式(1)所示，但此问题无法直接求解，因此，VAE通过引入隐变量，可以将log(x)改写为式(2)的形式。

(1)

(2)

(3)

(4)

(5)

图1 VAE的结构示意图

1.2 基于VAE的可再生能源出力场景生成方法

通过设计合理的网络结构，VAE可以从历史数据中获得可再生能源出力的概率分布特性，从而无需先验知识的情况下获得可再生能源出力场景的生成模型。其流程如图2所示。

图2 可再生能源出力场景生成流程

在利用VAE生成可再生能源出力场景的过程中，关键是要设计好VAE的结构，包括编码器和解码器的结构以及隐变量的维度。特别对于隐变量的维数，如果维数选的过低，会导致分布变换的过程中损失信息过多，难以生成高质量的场景；如果维数选的过高，则在采样过程中难以覆盖高维空间。

在利用场景法求解调度问题时，由于计算能力的制约，不能考虑过多的场景。因此，在VAE生成大量的可再生能源出力场景后，还需要采用场景消减的方法获得可再生能源的典型出力场景，常用的方式是通过K-means聚类算法得到指定数目的场景作为调度问题的输入场景。

2 风光水互补短期优化运行模型

2.1 目标函数

风光水多能源电力系统短期优化运行的目标是在满足电力负荷需求的情况下，最大化新能源的消纳，并提升水电的运行效率。同时，在优化过程中要考虑风光的不确定性。因此，以场景法构建的模型的目标函数如下：

(6)

水电的运行成本1包括发电耗水量和机组启停损耗。其中每次机组启停过程也可以折合成等效的耗水量，如式(7)所示：

可再生能源限电损失为弃风和弃光损失：

(8)

负荷损失表示为

(9)

2.2 约束条件

风光水多能源电力系统运行中需要考虑水电的运行约束，包括水力约束和电力约束。

1）水电转换关系。

水电机组的水电转换关系式和发电流量、水头相关的非线性约束：

(10)

2）水电机组出力约束。

(11)

3）水头约束。

水电机组的净水头等于上游水位减去尾水位。而上游水位和水库库容，尾水位和下泄流量间存在非线性关系，因此，水电机组的水头约束有非线性特性。同时，机组的水头需在一定的范围内。

(12)

(13)

(14)

(15)

4）机组发电流量约束。

(16)

5）水电机组运行时间约束。

为避免频繁的启停，对于机组的持续开停机时间需要限制：

(17)

6）库容约束。

水库的库容除了要满足最大、最小库容约束，还需要保证在调度周期的开始和结束时刻都满足控制目标。

(18)

(19)

7）水库弃水量约束。

(20)

8）梯级水量平衡。

水库的库容会同时受到径流量和上游水库下泄流量的影响。

(21)

9）风电场出力约束。

(22)

10）光伏电站出力约束。

(23)

11）功率平衡约束。

(24)

以上构建了风光水互补短期优化运行模型的约束条件，这些约束在所有考虑的风光出力场景中都需要满足，以体现调度结果对风光不确定性的适应，因此其中没有包括对备用容量的约束。同时，为了给出可行的启停计划，水电机组的启停计划需要在所有场景中保持一致。

2.3 混合整数线性规划模型的构建

在2.2节的约束条件中，水电转换关系、上游水位和水库库容之间的关系、尾水位和下泄流量之间的关系都是非线性约束。为了将模型转化为线性模型，从而采用商业软件快速求解，采用了分段线性化的方法对上述约束进行处理。

2.3.1 水电转换关系线性化

图3 水电转换关系分段线性化

(26)

(27)

式中：x是表示水头是否在第段的0-1变量；H为水头在第段的取值，如果在第段，则H=H，反之，H=0；H和H分别是水头变化范围内第段的最小和最大值；`H为水头位于第段时的等效均值；y是表示水电机组在水头`H下的发电流量q是否在第段的0-1变量； q为发电流量q在第段的取值，如果水电机组在水头`H下，且发电流量在第段，则q=q且q=q，反之，q=0且q=0；q和q分别为发电流量q变化范围内第段的最小和最大值；k和β分别为水头`H下水电机组出力P和发电流量q的分段线性化函数中第段的斜率和截距。

2.3.2 上游水位和水库库容之间的关系线性化

同样采用分段线性化的方法对上游水位和水库库容之间的关系进行线性化。

(28)

式中：β为表示库容是否在第段的0-1变量；V为库容在第段的取值，如果在第段，则V=V，反之，V=0；V1和V分别为库容变化范围内第段的最小和最大值；和分别为水库上游水位和库容的分段线性化函数中第段的斜率和截距。

2.3.3 尾水位和下泄流量之间的关系线性化

通过分段线性化，将水电模型中的非线性关系进行线性近似，从而使得模型变为了混合整数线性模型。

3 算例分析

3.1 可再生能源场景生成模型算例

为了体现生成模型对于可再生能源出力概率分布和相关性的生成效果，从NERL的WIND工具箱中选取了24个风电场一年的出力数据，将每天288个点的出力曲线折合为24个点，即将输入的数据维度变为24´24。对于总计365个历史样本，将其中的90%作为训练集，输入VAE中进行训练，剩余的10%作为验证集。训练完成后采样生成20 000个场景，研究其生成效果。

3.1.1 生成场景和真实场景的效果对比

对于生成的场景，将其和验证集的场景进行比较，发现虽然验证集数据没有加入模型训练环节，但是生成的场景中仍然产生了与之相似的场景，因此，可以定性地表明生成模型学到了可再生能源出力的特点。图4是第1个风电场的实际出力曲线和生成的出力曲线的比较。

进一步对该风电场出力的真实出力分布和生成场景的分布进行对比。比较两者的出力频率分布(图5)可知，生成场景较好地拟合了实际出力的概率分布，证明了模型的学习能力。

3.1.2 生成场景和真实场景的时空相关性对比

生成模型的优点在于可以准确便捷地刻画变量之间的相关性，特别是高维相关性。而可再生能源出力的相关性对于系统运行来说非常重要。当可再生能源出力的正相关性较强时，则其不确定性造成的影响会叠加；而当可再生能源出力的负相关性较强时，则其不确定性造成的影响会减弱。因此，采用皮尔逊相关系数表征可再生能源的时空相关性，如图6、7所示。

图4 单个风电场真实出力场景和生成场景对比

图5 真实场景和生成场景的频率分布图

可以看出，无论是对于不同风电场之间的空间相关性，还是对于同一风电场不同时间点出力的时间相关性，VAE模型都进行了很好地拟合。在具备高精度的同时不需要复杂的建模和计算，体现了VAE模型的优越性。

3.2 流域梯级风光水多能源电力系统算例

以建设中的雅砻江新能源基地作为算例系统[16,18]，其中包括雅砻江下游五座梯级水电和对应区域的风光电站。研究的水电站从上到下依次为锦西、锦东、官地、二滩和桐子林。对于风电和光伏，采用VAE生成典型场景，值得注意的是，在制定日前调度计划时会给出风电和光伏出力的预测值。因此在生成场景时，以风电和光伏出力的误差作为生成对象，即实际考虑的场景为可再生能源出力预测值加上生成的典型误差场景。

对于在第2节构建的混合整数规划模型，调用商业软件Gurobi进行求解。

3.2.1 平水期风光水互补优化运行结果

以历史上雅砻江平水期某天的历史数据作为边界条件，外送电力曲线、水库始末库容、来水量都按实际值给定，结果如图8、9所示。

图9展示了可调节水电站的库容变化曲线，其中锦西水电站由于具有较大的调节库容，在一天内的前期承担了较多的发电任务，后期为了保证末期库容，开始蓄水。锦西水电站在调度周期内承担了主要的调峰任务，并且由于锦西为锦东提供了较多的下泄流量，使得锦东水电站可以以较高的水头在全天提供稳定出力，提升了发电系统的运行效率。官地和二滩水电站则进一步提升了发电系统出力跟踪负荷的能力，在锦西、锦东出力较高时，官地水电站仅提供少量出力并进行蓄水。而在后期锦西水电站减小出力的情况下，官地水电站则能承担一定的调峰任务，并适当减小库容。二滩水电站则在前期提供较高的出力，在后期进行一定的蓄水，并通过下泄流量对下游桐子林水电站的出力进行调节。桐子林水电站由于是径流式水电站，因此基本保持了满发的状态。最终得到的平水期互补优化运行结果如图8所示，可以看出通过充分利用风电、光电和水电间的互补特性以及梯级水电强大的调蓄能力，可以高效地满足电力外送的需求。

图8 平水期风光水互补优化运行结果

图9 平水期库容变化曲线

3.2.2 汛期和枯水期风光水互补优化运行结果

和平水期相比，汛期和枯水期时的运行更为困难。在汛期，由于来水量较高，会出现机组满发还要弃水保证水库库容约束的情况，从而造成水电失去调节能力。因此，需要通过梯级水电的协调，使得梯级水电中的部分机组还能调节风光的出力。而在枯水期时，由于来水量少，水库可用的发电容量较少，此时风光能为水电提供一定的支持，从而提升发电系统整体的供电可靠性。同样选取汛期和枯水期的历史数据进行算例分析。

汛期的来水量较大，锦西、官地和二滩3个大容量水电站的蓄水量在一天内就出现了较大幅度的增长。锦东的库容较小，但发电水头高，因此在来水充足的情况下基本处于满发状态。调峰任务由各水电站协调承担。最终得到的优化运行结果如图10、11所示，可以看出，即便在风光出力较小的汛期，通过梯级水电站间的协调配合仍然能够具备一定的调峰能力来与风光出力互补以共同满足外送需求。

图10 汛期风光水互补优化运行结果

图11 汛期库容变化曲线

由于枯水期来水过少，历史上雅砻江也没有在枯水期进行外送，因此适当降低外送的负荷需求，得到的结果如图12、13所示。可以看出，枯水期风光出力对于水电的支撑作用非常明显，而梯级水电通过相互协调，可以满足适当降低的外送需求。因此，在大规模风电和光伏接入的情况下，雅砻江下游新能源基地可以在枯水期仍然进行适当的电力外送。

图12 枯水期风光水互补优化运行结果

图13 枯水期库容变化曲线

4 结论

针对风光水多能源电力系统短期优化问题，提出了基于变分自编码器的场景生成模型，以及基于场景法的短期互补优化运行模型，并对雅砻江下游新能源基地进行了实例分析，得到了如下结论：

1）基于VAE的场景生成模型可以比较准确地表述可再生能源出力的概率分布，并且在刻画可再生能源出力的相关性上具有明显的优势。在训练过程中也没有明显的困难，和常规方法相比简单易行且效果更好。

2）提出风光水短期优化运行模型，采用分段线性化的方法将模型中的非线性约束进行转化，在保证模型精度的前提下提升了计算效率。

3）基于对雅砻江下游新能源基地的实例分析，验证了风光水多能源电力系统拥有可靠的供电能力。通过不同水电之间的协调优化可以提升发电效率并最大幅度地消除风光出力不确定性的影响。而风光的大规模接入为水电在枯水期的电力外送提供了解决方案，增强了水电在全年的供电能力。

[1] 马苗苗，邵黎阳，潘军军，等．风光互补发电系统的监督预测协调控制[J]．中南大学学报(自然科学版)，2018，49(10)：2602-2609．

[2] 庄雅妮，杨秀媛，金鑫城．风光储联合发电运行技术研究[J]．发电技术，2018，39(4)：296-303．

[3] 程海花，寇宇，周琳，等．面向清洁能源消纳的流域型风光水多能互补基地协同优化调度模式与机制[J]．电力自动化设备，2019，39(10)：61-70．

[4] 吴萍，陈昊，赵兵，等．风光火打捆交直流混联外送系统交互影响及稳定性研究[J]．电网技术，2016，40(7)：1934-1942．

[5] 陈宇，彭潇，丁婧，等．电动汽车参与风电场输出功率波动平抑方法研究[J]．发电技术，2019，40(1)：91-98．

[6] 李伟楠，王现勋，梅亚东，等．基于趋势场景缩减的水风光协同运行随机模型[J]．华中科技大学学报(自然科学版)，2019，47(8)：120-127．

[7] 李姚旺，苗世洪，罗星，等．含压缩空气储能电力系统日前-日内协调调度策略[J]．中国电机工程学报，2018，38(10)：2849-2860，3136．

[8] 朱祥祥，黄崇鑫，岳东，等．基于区间不确定性的微网有功-无功联合优化调度[J]．电力系统自动化，2016，40(15)：39-46．

[9] 赵书强，金天然，李志伟，等．考虑时空相关性的多风电场出力场景生成方法[J]．电网技术，2019，43(11)：3997-4004．

[10] 丁明，宋晓皖，孙磊，等．考虑时空相关性的多风电场出力场景生成与评价方法[J]．电力自动化设备，2019，39(10)：39-47．

[11] 仉梦林，胡志坚，王小飞，等．基于动态场景集和需求响应的二阶段随机规划调度模型[J]．电力系统自动化，2017，41(11)：68-76．

[12] 叶荣，陈皓勇，王钢，等．多风电场并网时安全约束机组组合的混合整数规划解法[J]．电力系统自动化，2010，34(5)：29-33，65．

[13] Sønderby，Casper Kaae，Raiko，Tapani，et.al．Ladder Variational Autoencoders[C]//Proceedings of the Advances in Neural Information Processing Systems 29 (NIPS 2016)，Barcelona，Spain，2016．

[14] Matt J．Kusner，Brooks Paige，Gelly S，JM Hernández-Lobato．Grammar variational autoencoder[C]//Proceedings of the 34th International Conference on Machine Learning，ICML'17，Sydney，Australia，2017．

[15] Kingma D P，Welling M．Auto-encoding variational bayes[C]//Proceedings of the 2nd International Conference on Learning Representations．Banff，Canada：ICLR，2014．

[16] 吴世勇，周永，王瑞，等．雅砻江流域建设风光水互补千万千瓦级清洁能源示范基地的探讨[J]．四川水力发电，2016，35(3)：105-108．

[17] 罗崇伸，张蕴华，胡学翠，等．雅砻江下游水能资源开发全面完成雅砻江公司着手打造风光水互补清洁能源示范基地[J]．四川水力发电，2016，35(2)：119-120．

[18] 黄炜斌，马光文，王和康，等．雅砻江下游梯级电站群中长期优化调度模型及其算法研究[J]．水力发电学报，2009，28(1)：1-4．

Complementary Intelligent Optimization Operation Strategy of Wind-Solar-Hydro Multi-energy Power System

HU Wei1, QI Yuchen1, ZHANG Hongxuan1, DONG Ling2, LI Yanhe2

(1. Department of Electrical Engineering, Tsinghua University, Haidian District, Beijing 100084, China; 2. State Grid Qinghai Electric Power Company, Xining 810003, Qinghai Province, China)

For high-ratio renewable energy access to the grid, the utilization of wind-solar-hydro complementary power generation can provide a smooth and stable power supply. This paper proposed a short-term optimal operation method based on stochastic programming for the wind-solar-hydro multi-energy power system, using big data and artificial intelligence technology. Firstly, based on the variational autoencoder (VAE), a renewable energy scenarios generation method was proposed, which can generate diverse scenarios that meet the characteristics of renewable energy output and accurately describe the correlation of renewable energy output. Secondly, based on the scenarios method, a short-term optimization operation model of wind-solar-hydro was established and a piecewise linearization method was used to transform various nonlinear constraints into linear constraints, which can achieve fast solution while ensuring the accuracy of the model. Finally, through the simulation of the wind-solar-hydro power system in downstream of the Yalong River, it demonstrates the effectiveness of the intelligent optimization operation strategy proposed in this paper.

power system; complementation of wind-solar-hydro; scenarios generation; variational autoencoder; optimal operation

10.12096/j.2096-4528.pgt.19173

TM71

2019-11-26。

国家重点研发计划项目(2017YFB0902200)；国家电网公司科技项目(5228001700CW)。

Project Supported by National Key Research and Development Program of China (2017YFB0902200); Science and Technology Project of State Grid Corporation of China (5228001700CW)。

胡伟(1976)，男，副教授，博士生导师，研究方向为电力系统稳定与控制、电力大数据及人工智能、综合能源系统，huwei@mail.tsinghua.edu.cn；

胡伟

戚宇辰(1996)，男，硕士研究生，研究方向为综合能源系统优化运行。

戚宇辰

(责任编辑 车德竞)